PPR-2510.08562
Paper
ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving
| id | |
|---|---|
| updated | |
| type | paper |
| title | ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving |
| authors | Zhiyu Zheng, Shaoyu Chen, Haoran Yin, Xinbang Zhang, Jialv Zou, Xinggang Wang |
| venue | arXiv:2510.08562 |
| arxiv | 2510.08562 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2510.08562v2 |
| source-hash | sha256:51067a62893082a68379ea88fb8599bbb5f7e354cd78f47729faf13d1b7e7979 |
| admitted-under | A2-direct-edge |
| admission-note | 被 DiffusionDriveV2（PPR-2512.07745）直接引用（xinggang 组内工作，扩散规划线的表示改进入口）。 |
定位
Zheng 等（2025，华中科技/ Horizon Robotics）提出 ResAD。论文指出端到端驾驶系统的根本挑战之一是轨迹数据的时空不平衡：该不平衡带来优化负担，使模型学到伪相关而非稳健驾驶逻辑，并让不确定的远距离预测被过度优先，损害近端安全。ResAD 用归一化残差轨迹建模重构学习任务：不直接预测未来轨迹，而是预测相对一条确定性惯性参考（inertial reference）的残差偏移。惯性参考作为强物理先验，迫使模型超越简单模式匹配，把容量集中在学习由上下文驱动的必要偏离（如遵守交通规则、避障）；论文另针对长期不确定带来的优化不平衡做缓解。
与本库的关系
- 准入身份：A2-direct-edge（被 DiffusionDriveV2 直接引用）。
- 谱系定位：轨迹表示层的改进。与 DiffusionDrive（PPR-2411.15139）建模“从锚定噪声到多模动作”的生成表示、PRIX（PPR-2507.17596）的原始像素规划头、GenAD（PPR-2402.11502）的潜空间轨迹先验同属“轨迹用什么坐标/参考系表达”的问题族。评测锚定 BMK-006。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（10）
- PPR-2402.11502 GenAD: Generative End-to-End Autonomous Driving
- PPR-2411.15139 DiffusionDrive: Truncated Diffusion Model for End-to-End Autonomous Driving
- PPR-2507.17596 PRIX: Learning to Plan From Raw Pixels for End-to-End Autonomous Driving
- PPR-2512.07745 DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving
- PPR-2605.19771 Beyond Imitation: Learning Safe End-to-End Autonomous Driving from Hard Negatives
- BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
- FRM-2504.01941 WoTE 五层重建（骨架）：核心对象是把 BEV 世界模型用于在线轨迹评估——轨迹预测器（TransFuser 式多模态 BEV 编码 + K-Means 轨迹锚 + 精化）给出多条候选，BEV 世界模型据各候选预测未来 BEV 状态，奖励模型再用未来状态为每条轨迹打分、取最高者为最终输出；选择 BEV 级（而非图像级）世界模型是为了延迟更低，且可直接用现成 BEV 空间交通仿真器监督。
- FRM-2510.08562 ResAD 五层重建（骨架）：核心对象是把轨迹预测任务重构为“相对确定性惯性参考的残差预测”——用恒速模型给出物理先验基线，令模型容量集中在交通规则、障碍等情境驱动的偏离上，并以逐点残差归一化（PRNorm）抑制远距不确定 waypoint 的大幅误差主导学习信号；多模性则通过对初始速度施加零均值高斯扰动、经恒速模型传播出 K 条惯性参考簇来获得（同时增强对 GPS/IMU 噪声的鲁棒性）。
- FRM-2601.05083 Driving on Registers 五层重建（骨架）：核心对象是极简纯 transformer 的端到端驾驶架构——以“相机感知的 register token”（每相机 R 个 register、得 N×R 个场景 token）把多相机特征压成紧凑场景表示、仅用 LoRA 微调预训练 ViT，再由两个轻量 transformer 解码器先生成候选轨迹、再模仿 oracle 打可解释子分数（安全/舒适/效率），从而支持推理期的行为条件驾驶。
- IDX-001 NAVSIM 规划线